CARTERAS MINORISTAS Sistemas de scoring: construcción y ...

Análisis discriminante: – Modelos Logit y Probit. – Modelos de datos de panel. – Modelos de supervivencia. – Otros: Árboles de decisión y redes neuronales ...
1MB Größe 68 Downloads 79 vistas
CARTERAS MINORISTAS Sistemas de scoring: construcción y evaluación

DIRECCIÓN GENERAL DE SUPERVISIÓN Grupo de Tesorería y Modelos de Gestión de Riesgos Gregorio Moral Turiel Sergio Gavilá Javier Población

II Seminario sobre Basilea II Validación de modelos avanzados en el Pilar 1 Madrid, 14 al 17 de noviembre de 2006

Cartera minorista.

ƒ ƒ

ƒ ƒ

Particularidades de los segmentos minoristas Obtención de puntuaciones (scores) de clientes/ operaciones – Técnicas de obtención de scores – Scores de admisión y scores de comportamiento – Etapas y datos utilizados Obtención de una clasificación y calibración Evaluación – Validaciones – Estabilidad – Capacidad discriminante y otras medidas

DIRECCIÓN GENERAL DE SUPERVISIÓN

2

Particularidades de los segmentos minoristas ƒ ƒ ƒ ƒ ƒ ƒ

ƒ

ƒ

Carteras con gran número de clientes/exposiciones Número de defaults elevado (comparado con segmentos de empresas) Tipología cliente-no cliente Experiencia de muchos años con sistemas de scoring Utilización tanto de sistemas desarrollados internamente como de modelos genéricos (vendor models) con muestras internas Gran cantidad de datos disponibles – Prima la Información objetiva – Importancia de variables categóricas y de la categorización de las variables continuas Influencia del factor tiempo en los datos observados – Cambios frecuentes en los sistemas de admisión – Cambios en las políticas de admisión – Expansión geográfica Técnicas estadísticas para la obtención de los scores

DIRECCIÓN GENERAL DE SUPERVISIÓN

3

Scores de admisión y scores de comportamiento I

ƒ

Admisión: – Orientados a la operación – Información detallada del acreditado obtenida durante el proceso de admisión y disponible antes de la aprobación – Después de la admisión se utilizan con otros propósitos • Como mínimo hay que tener en cuenta el tiempo transcurrido desde la concesión • La valoración inicial va perdiendo capacidad explicativa a medida que pasa el tiempo • Lo óptimo es utilizar un scoring de comportamiento a partir de una edad determinada (tiempo desde la concesión)

DIRECCIÓN GENERAL DE SUPERVISIÓN

4

Scores de admisión y scores de comportamiento II ƒ

Comportamiento: – Orientados a calificar al cliente – Información del resto de productos del cliente – En segmento minorista la información clave proviene de la cuenta corriente del cliente y del comportamiento en el resto de productos • Debe ser un cliente activo (cuenta corriente con movimientos: nómina, recibos) • Se necesita una experiencia mínima con el cliente (periodo mínimo: 6 meses, un año) – Integra toda la información actualizada existente sobre el cliente – Se puede calcular periódicamente • Frecuencia relevante – Internamente se utilizan para: • Diseñar políticas de preconcesión y venta cruzada • Seguimiento de los clientes y carteras

DIRECCIÓN GENERAL DE SUPERVISIÓN

5

Construcción: etapas y datos utilizados ƒ

ƒ

ƒ ƒ

ƒ ƒ

Población y muestras – Definición de la cartera objetivo – Definición de malo: horizonte, días de impago, materialidad – Extracción de información: muestras de construcción y de validación Preselección de variables – Transformación de variables: • creación de variables categóricas y/o binarias Tratamiento de anomalías y faltas de información Análisis univariante – Técnicas gráficas y cálculo de estadísticos descriptivos – Regresiones logísticas univariantes – Criterios de selección: capacidad discriminante, facilidad de interpretación, correlación Análisis multivariante – Regresiones logísticas paso a paso Construcción y selección del modelo final

DIRECCIÓN GENERAL DE SUPERVISIÓN

6

Obtención de puntuaciones (scores) de clientes/ operaciones ƒ ƒ

Se utilizan casi exclusivamente procedimientos estadísticos Técnicas de obtención de scores y otros métodos de ordenación – Regresión – Análisis discriminante: – Modelos Logit y Probit – Modelos de datos de panel – Modelos de supervivencia – Otros: Árboles de decisión y redes neuronales

DIRECCIÓN GENERAL DE SUPERVISIÓN

7

Modelos Logit y Probit I ƒ

Características – Motivación: obtención de una PD directamente asociada a las características de la operación/acreditado sin necesidad de agrupaciones intermedias – Estructura no lineal al introducir una link function F con valores en (0,1):

pi = F (b′ ⋅ x i ) – Elecciones típicas: • Función de distribución de una logística: modelo logit

e b′⋅ xi F (b′ ⋅ x i ) = 1+ e b′⋅ xi • Función de distribución de una normal N(0,1): modelo probit

F (b′ ⋅ x i ) =

b′⋅ x i

∫e



t2 2

dt

−∞

DIRECCIÓN GENERAL DE SUPERVISIÓN

8

Modelos Logit y Probit II ƒ

Estimación de los parámetros – Normalmente se usa el método de la máxima verosimilitud – Función de verosimilitud:

L( b) =



[

P ( b′ ⋅ x i ) yi 1− P ( b′ ⋅ x i )1− y i

]

i

ƒ ƒ

Estimar los parámetros y contrastar el nivel de significación de las variables se puede hacer con software estándar para ambos modelos. Pero el Logit presenta ventajas de interpretación de los resultados: – La relación entre la probabilidad de default y la relación entre número de buenos y malos (odds) viene dada por:

pi = e β ′⋅ x i 1− pi – Por lo tanto la sensibilidad de los odds ante variaciones unitarias de la variable k viene dada por e β k – El logaritmo de los odds es lineal en las variables explicativas

DIRECCIÓN GENERAL DE SUPERVISIÓN

9

Obtención de una clasificación y asignación de PD a las clases ƒ ƒ

ƒ

Las entidades suelen agrupar exposiciones/acreditados en clases homogéneas en términos de PD (normalmente en horizonte de un año) Dependiendo del tipo de modelo esto puede hacerse – Directamente, cuando tenemos un PD asociada a cada operación /acreditado (Logit/Probit). – Indirectamente mediante agrupaciones que tengan a priori elementos “similares” • Mediante intervalos de score • Mediante agrupación de clases (obtenidas por ejemplo, mediante árboles de decisión) Después se asigna una PD a cada clase a partir de las frecuencias de default observadas en cada una de ellas y otra información disponible. Este proceso se suele denominar calibración a PD

DIRECCIÓN GENERAL DE SUPERVISIÓN

10

Evaluación ƒ

Capacidad discriminante • Medidas de separación o capacidad discriminante global: – Curva ROC con estadístico resumen AUROC (área bajo la curva ROC) y/o otros estadísticos semejantes (estadístico de potencia AR)



Distancias entre distribuciones: – Estadístico de Kolmogorov-Smirnov



Medidas de entropía e información: – Ganancia teórica de información – Conditional Entropy Ratio, CER

ƒ

Estabilidad: – Muchos bancos usan técnicas de validación cruzada con un estadístico (por ejemplo el AR) para analizar su estabilidad en el tiempo o en subpoblaciones. • Muestras de validación (Tests Out of Sample) • En el tiempo (Tests Out of Time) • En subpoblaciones

DIRECCIÓN GENERAL DE SUPERVISIÓN

11

Capacidad discriminante Medidas de separación o capacidad discriminante global

ƒ

ƒ

Dado un sistema de scoring y fijada una ventana de observación (un año, 18 meses, toda la vida de la operación) se trata de medir la capacidad del scoring para separar las distribuciones de buenos y malos Suponemos conocidas : – las distribuciones del score condicionado a bueno F(s|B)=FB y a malo F(s|M)=FM 0.025

0.015

0.02

0.0125

fM

0.01

fB

0.015 0.0075 0.01 0.005 0.005

0.0025 0

0 50

100

150

200

250

300

0

50

100

150

200

– La proporción entre buenos y malos NB/NM

DIRECCIÓN GENERAL DE SUPERVISIÓN

12

Curva ROC ƒ ƒ

Conocidas FB y FM podemos definir la curva ROC Las abscisas representan cuantiles de la distribución de los scores sobre la muestra de las observaciones que han resultado buenas. Las ordenadas reflejan el % sobre el total de malos en la muestra de las observaciones malas con score inferior al asociado a la abscisa correspondiente Para resumir en un número la capacidad discriminante del modelo se puede utilizar un índice de potencia, AUROC (Area Under the Roc Curve) Interpretación del AUROC es la P(SD